Scelta di un metodo di addestramento personalizzato

Se stai scrivendo il tuo codice di addestramento invece di utilizzare AutoML, puoi scegliere tra diversi modi di farlo. Questo argomento fornisce una breve panoramica e il confronto dei diversi modi in cui puoi eseguire l'addestramento personalizzato.

Risorse di addestramento personalizzato su Vertex AI

Esistono tre tipi di risorse Vertex AI che puoi creare per addestrare modelli personalizzati su Vertex AI:

Quando crei un job personalizzato, devi specificare le impostazioni necessarie per consentire a Vertex AI di eseguire il tuo codice di addestramento, tra cui:

All'interno dei pool di worker, puoi specificare le seguenti impostazioni:

I job di ottimizzazione degli iperparametri hanno impostazioni aggiuntive da configurare, come la metrica. Scopri di più sull'ottimizzazione degli iperparametri.

Una pipeline di addestramento orchestra i job di addestramento personalizzato o i job di ottimizzazione degli iperparametri con passaggi aggiuntivi, ad esempio il caricamento di un set di dati o il caricamento del modello su Vertex AI dopo il completamento del job di addestramento.

Risorse di formazione personalizzate

Per visualizzare le pipeline di addestramento esistenti nel tuo progetto, vai alla pagina Pipelines Vertex AI di Google Cloud Console.

Vai alle pipeline di addestramento

Per visualizzare i job personalizzati esistenti nel tuo progetto, vai alla pagina Job personalizzati.

Vai a Job personalizzati

Per visualizzare i job di ottimizzazione degli iperparametri esistenti nel progetto, vai alla pagina Ottimizzazione degli iperparametri.

Vai a Ottimizzazione degli iperparametri

Container predefiniti e personalizzati

Prima di inviare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento a Vertex AI, devi creare un'applicazione di addestramento Python o un container personalizzato per definire il codice di addestramento e le dipendenze che vuoi eseguire su Vertex AI. Se crei un'applicazione di addestramento Python con TensorFlow, scikit-learn o XGBoost, puoi utilizzare i nostri container predefiniti per eseguire il tuo codice. Se non sai quale di queste opzioni scegliere, consulta i requisiti del codice di addestramento per saperne di più.

Addestramento distribuito

Puoi configurare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento per l'addestramento distribuito specificando più pool di worker:

  • Utilizza il tuo primo pool di worker per configurare la replica principale e imposta il conteggio delle repliche su 1.
  • Aggiungi altri pool di worker per configurare le repliche dei worker, le repliche del server dei parametri o le repliche del valutatore, se il tuo framework di machine learning supporta queste attività cluster aggiuntive per l'addestramento distribuito.

Scopri di più sull'utilizzo della formazione distribuita.

Passaggi successivi